一種基于FLINK引擎的多接口XDR話單合成方法

【摘要】 ? ?隨著4G LTE、VoLTE、5G NSA/SA等技術的成熟和業務使用普及，為進一步豐富網絡分析工具建設，提高網絡運維優化、投訴分析效率，提升用戶滿意度。本文以VoLTE網絡為例進行驗證，在傳統單接口XDR話單合成的基礎上，研究利用Fink流式數據處理引擎提高多接口XDR合成的及時性，進一步提高信令分析速度和準確性。

【關鍵詞】 ? ?信令分析 ? ?多接口XDR ? ?Flink ? ?VoLTE

A Multi-interface XDR Bill Synthesis Method Based on FLINK Engine

He Bin ? ?China mobile communication group hainan Limited

Abstract： With the maturity of 4G LTE， VoLTE， 5G NSA/SA and the popularization of business use， in order to enrich the construction of network analysis tools， improve network operation and complaint analysis efficiency， and improve user satisfaction. This paper takes VoLTE network as an example to verify. Based on the traditional single-interface XDR synthesis， the Fink streaming data processing engine is used to improve the timeliness of multi-interface XDR synthesis and improve the speed and accuracy of signaling analysis.

Keywords： Signaling analysis; Multi-interface XDR;Flink;VoLTE

引言：

目前，隨著4/5G核心網的發展，網絡優化、投訴處理主要基于以信令為基礎的大數據性能分析平臺。特別是在用戶規模龐大、網絡接口多、信令流程復雜的情況下，原始信令采集、信令詳單關聯合成的準確性和及時性直接關系到上層應用的可用性和可推廣性。

基于此，為解決準確性問題，我們在單接口信令分析的基礎上，通過IMSI，MSISDN、時間，關鍵字段等進行多接口關聯分析[1]，形成多接口詳單，將完整業務流程端到端記錄，為上層應用對業務流程的分析提供準確支撐。與此同時，百萬級以上的大規模用戶、每個核心網元接口每小時記錄數達到千萬級的大吞吐量，都導致多接口詳單合成時間長問題，我們在合成詳單階段引入Flink計算引擎，支持流處理和關聯計算，經驗證能夠有效縮短詳單合成的時間。及時、準確的信令詳單直接提升了基于信令開展分析優化、投訴查處能力，滿足大規模用戶運營的需求。

一、關鍵技術介紹

1.1 XDR

XDR（X Data Recording）信令數據是基于全量信令數據處理生成的、供信令監測平臺和信令類上層應用使用的控制面和用戶面基礎流程記錄，以用戶信令交互為單位，一個會話形成一條XDR記錄，也稱XDR話單。未正常完成的網絡交互信令，其錯誤碼信息將如實記錄在XDR話單中，便于上層應用作為異常流程分析的基礎數據。

1.2多接口合成XDR

實際4/5G業務交互過程中，一個業務（如通話/注冊）流程涉及多個接口，且異常信令/錯誤碼在信令流程傳遞中或因網元類型、設備廠家等不同而發生變更，導致問題定界定位準確性很差。因此，需要針對業務流程進行多接口關聯，實現真正完整的業務交互呈現，有助于準確判斷業務交互失敗的根本原因，準確找到首拆網元、首拆時間、首拆錯誤碼等信息。

本方案以VoLTE核心網技術為例進行驗證[2]，通過Flink引擎合成多接口XDR話單，以支持上層VoLTE信令分析應用的落地。通過關聯一個業務流程（注冊/通話）的關鍵接口，形成多接口關聯XDR話單，如接通流程關聯Mw/ISC/Mg/S1-U等4個關鍵接口，注冊流程關聯Mw/ISC/S1-U/Sh/Cx等5個關鍵接口等，能夠更為準確地找到初始拆線接口和首拆網元，并實現對不同首拆網元、首拆接口等多維度的VoLTE網絡信令異常場景分析。

1.3 Flink流計算技術

Apache Flink是一個開源流處理框架，核心是一個流式的數據流執行引擎，其針對數據流的分布式計算提供了數據分布、數據通信以及容錯機制等功能[3]。將Flink流處理技術運用于合成多接口XDR有如下優勢：

首先，同一VoLTE業務流程（通話/注冊）話單記錄是連續性的，而一般的批處理存在批處理時間點界限問題，導致在關聯多接口XDR話單時，部分不在同一個批處理時間段的單據無法關聯真正的首拆網元、首拆接口，因此合成多接口XDR需要使用流處理計算。

其次，合成XDR需要幾個接口數據關聯，接通場景關聯4個接口，注冊場景關聯5個接口數據，不支持關聯無法計算。

最后，在實際使用中，VoLTE網絡數據量大，每個接口每小時記錄數達到千萬級，場景數據量大。因此，要滿足多接口關聯性、及時性等特性，需要結合Flink支持高吞吐、低延遲、高性能的流處理特性。

二、基于FLINK引擎的多接口XDR話單合成

基于Flink合成多接口XDR話單。作為本文的實現基礎，為保證合成多接口XDR數據的準確性，采用各個網元接口物理分光的方式采集原始信令碼流。通過對分光碼流的解碼，得到Mw/ISC/Mg/S1-U/Sh/Cx等接口的SIP（Session Initiation Protocol）和DIAMETER協議消息，如下圖。

Step1：解碼器對Mw/ISC/Mg/S1-U/Sh/Cx接口的分光碼流進行解碼，生成二進制bin文件。

Step2：為了便于數據可視化，從各解碼器調取bin文件轉譯成CSV文件，包括消息到達該接口的消息類型、到達時間、轉發時間、主叫號碼、被叫號碼、CALL-ID、CI、P-Charging-Vector頭域等關鍵字段，如果是錯誤消息，還包括狀態碼、Reason、Warning值等，這些單接口的XDR數據將作為串聯合成同一通話或注冊流程多接口XDR的關鍵信息。

Step3：Kafka是消息中間件，接口話單有很多行記錄，Kafka一行一行傳遞至Flink。

Step4：Flink按行讀取并消費Kafka消息，執行合成XDR業務邏輯，串聯關鍵字段合成同一通話或者注冊流程在各個接口的消息，合成多接口XDR的CSV文件。

Step5：多接口XDR的CSV文件存入Hbase數據庫。后續上層應用調用Hbase，查詢得到投訴號碼對應的異常業務流程多接口XDR話單。

最終，上層VoLTE信令分析應用根據主被叫號碼、時間等信息，調用Hbase，查詢得到投訴號碼對應的異常業務流程多接口XDR話單，根據話單中多接口全流程的信令結果，匹配已部署在應用中的的異常場景規則庫完成分析，并呈現出分析結果。實現從信令到分析結果的及時分析。

三、結束語

本文從信令分析的準確性、及時性需求入手，應用多接口XDR話單及Flink等關鍵技術實現VoLTE信令分析應用，在滿足及時性的基礎上，兼顧VoLTE網絡端到端分析。經驗證，實現多接口XDR話單關聯后，能精準定位定界，準確率較單接口XDR提高80%以上。大數據量下，FLINK計算引擎的引入，使得多接口XDR話單合成所需時間實現質的飛越，從VoLTE業務結束到VoLTE信令分析應用可以查詢到數據，時間從忙時幾小時級縮短至15分鐘級，為VoLTE信令分析等上層應用在核心網絡的指標分析、故障定位、投訴處理中大有可為。

參考文獻

[1]黃永，信令監測系統中XDR 話單用戶信息的關聯回填研究[J] ，數字通信世界. 2019，（05）：244

[2]楊紅梅，胡泊，VoLTE關鍵技術及相關標準[J]，電信網技術，2013年02期： 57-60

[3]李梓楊，于炯，卞琛，張譯天，蒲勇霖，王躍飛，魯亮.基于流網絡的Flink平臺彈性資源調度策略[J];通信學報;2019年08期：85-101

何彬（1987—），性別：男，民族：漢，籍貫：海南瓊海，單位：中國移動通信集團海南有限公司，職稱：交換專業中級工程師，研究方向：4/5G核心網、IMS/VoLTE核心網絡維護及優化。